间接型点对点迭代学习控制 方法的研究及其应用开题报告详解.pptVIP

三、研究内容和基本思路 (2)设计间接型点对点迭代学习控制算法。间接型点对点迭代学习控制算法基于CARIMA模型，局部控制器采用模型预测控制，ILC用来改变内环MPC的设定值。这种方法同样是基于MPC的点对点迭代学习控制，但与第一种方法的控制结构不同，第一种方法是直接型点对点迭代学习控制，而这种方法结构更清晰，设计容易，同样可以结合ILC与MPC的优点，提高控制性能。 接下来，利用范数理论分析间接型点对点迭代学习控制算法的收敛性、收敛速度、鲁棒性等，然后进行仿真分析并与其它算法进行比较。 * 三、课题的研究内容和基本思路 CARIMA模型： 控制律形式： 系统结构图： * 三、研究内容和基本思路 (3)尝试将上述两种算法推广到MIMO系统、非线性系统，并分析其 控制性能。 (4)了解青霉素发酵过程的基本原理和特点，对整个青霉素的发酵 过程进行分析，并建立合理的数学模型和相应的仿真模型。然后，将 基于轨迹更新的点对点综合预测迭代学习控制算法和间接型点对点迭 代学习控制算法应用到青霉素发酵补料控制中去，并通过Pensim仿真 平台分析控制效果。 * 四、进度安排 * * 即设计系统输入使得系统的输出在批次轴方向上尽可能快地收敛到期望的跟踪轨迹。 青霉素发酵过程是一个典型的复杂间歇生化反应过程，具有非线性、强耦合性、时变性、时滞性、不确定性、关键变量难以实时在线测量和高成本高能耗等特点。 因此，发酵过程的补料控制就可以通过对这一系列关键点的跟踪控制来实现，控制的目标就是在若干批次后关键点上的输出值收敛于期望的输出值，同时使青霉素的产量达到最大而物料和能量的消耗最省。 即在一定批次之后，系统输出整体上逐渐向期望的系统输出收敛。 因此，迭代学习控制的研究对于具有不确定性或者较多未知成分、较高重复性以及难以建模的高精度轨迹跟踪受控系统具有非常重要的意义。 文献[21]将迭代学习控制应用于分布参数系统，构建了一个线性非均匀分布参数系统迭代学习控制的设计和分析框架。LIDPS被表达成一个Laplace矩阵，通过这个矩阵可以确定LIDPS的传递函数，这个传递函数提供了LIDPS的输入输出关系，方便了ILC的复频域设计和分析。该文献提供的ILC设计模式充分利用了重复的过程信息，能够处理参数或非参数不确定性。文中把分布参数系统看作是时间、空间和批次的3D系统，避免了一般设计方法的离散化和简化的过程。 2014年4月22日Iterative learning control of inhomogeneous distributed parameter systems—frequency domain design and analysis 对于间接型迭代学习控制，闭环系统有两个回路：内环是局部控制器，外环是迭代学习控制算法。在这种情况下，对于在局部控制器下的闭环系统，迭代学习控制扮演的是监管单元或者优化单元的角色。 虽然在已发表的有关迭代学习控制的文章中，只有不到10%的研究是间接型的，但是从间接型迭代学习控制的结构上来看，这种控制策略还是有很大发展前景的，因为它不需改变现有控制器的结构，可以很方便地应用在现有的控制系统中，以此来优化控制量，提高控制系统的性能。 文献[36]针对有输入时滞的线性离散多变量系统的间接型迭代学习控制进行了研究，提出了一种新型基于迭代学习控制的 PI 控制器，即用一种迭代学习控制器更新内环 PI 控制器的设定值，文中给出了算法使系统收敛的充分条件。从文中可以看出，提出的算法能够使系统输出随着批次的增加逐渐趋近于目标轨迹，消除了时滞对系统的影响，且展现了较好的鲁棒性。 然而，这种方法的缺点是很明显的，它没用充分利用点对点控制相对完全轨迹跟踪控制的条件放松得到的额外自由度去实现更多样的的控制要求和更好地控制效果。这种方法避免了预先拟合期望参考轨迹的操作，同时由于去除了对关键点之外的其余点的跟踪的约束条件，因而获得了额外的自由度，利用这些额外的自由度，可以实现附加的控制目标，包括更快地收敛速度、更好地跟踪精度以及设计的灵活性等，从而更好地改善控制效果。 提出易于操作的插值法来更新目标轨迹，该方法易于选择参数，有很好的泛化性能并为控制算法的设计提供灵活性。对于有初始状态扰动的情况，新算法结合了P型闭环迭代学习控制与插值法轨迹更新，收敛性和鲁棒性得到保证。 文献[40]中，Chris T. Freeman提出了受约束情况下的点对点迭代学习控制算法，具体实现方法为基于提升模型，利用输出变换矩阵对输出端进行降维，获得降维系统。然后，利用点对点控制相对于完全轨迹跟踪的条件放松而获得的自由度，通过梯度下